Jak AI Przeczyta Medical Scan?

Mechanizm kluczowy: sztucznego inteligentnego dopasowania wzorów, a nie zrozumienia

Większość narzędzi diagnostycznych AI stosowanych w klinice obecnie to sieci neuronowe konwolucyjne (CNN) treningu na obrazach medycznych: promieniowania piersi, slice CT, skanów MRI, zdjęć retina, zdjęć lesji skóry lub cropów z plakietek patologicznych. CNN nie „rozumie” anatomoii tak jak radiolog. Naucza się warstwami, które wzory pikseli statystycznie korelują z etykietowanym wynikiem — ponieważ widziało tysiące lub setki tysięcy obrazów, w których ekspert medyczny już oznaczył odpowiedź.

Proces treningu to uczenie nadzorowane: wprowadzamy do sieci obraz, sprawdzamy jej przewidywanie (tumor / bez tumoru, złośliwy / niezłośliwy), porównujemy przewidywanie do etykiet prawdziwych i dostosowujemy miliony wag wewnętrznych, aby zmniejszyć błąd. Powtarzamy na całym zestawie danych wielokrotnie (epoki). Występuje to nie zestaw reguł medycznych, ale bardzo wysokiej wymiarowości funkcji statystycznej mapującej uszeregowania pikseli do prawdopodobieństw.

Gdzie to zostało prawidłowo zweryfikowane

Najwyraźniejsze sukcesy obserwujemy w skrajnie zdefiniowanych zadaniach obrazowych, gdzie jest dużo etykietowanych danych. Screenowanie cukrzycowego oka na fotografii oku oka jest jednym z najbardziej dojrzałych przykładów — algorytm Google i IDx-DR (pierwszy zaakceptowany przez FDA system AI niezależny, zatwierdzony w 2018 roku) oceniają obrazy oku oka na znaki cukrzycowego oka bez konieczności sprawdzenia każdego przypadku przez specjalistę. Klasyfikatory powłok skó!importantowych treningowe na dużych zestawach obrazów dermoskopowych pokazują dokładność porównywalną z dermatologami certyfikowanymi na wybranych zestawach testowych. W radiologii, narzędzia do oznaczania podejrzanych obszarów na mammogramach, fotografiach piersi i nodulech w płucach CT są już zaakceptowane przez FDA i stosowane jako „druga czytnica” obok człowieka.

Wszystkie te sukcesy mają wspólną cechę – skreśloną przeszkodę: jedno modality, jedno konkretnie wykryte znalezienie, duży zestaw etykietowanych danych i zadanie będące podstawowo rozpoznawaniem wzorców wizualnych. To dokładnie to, co sieci neuronowe typu CNN są dobre w wykonaniu.

Dlaczego to się shantuje poza laboratorium

Model treningowy na podstawie skanów z konkretnych modeli oświetlenia i protokołów diagnostycznych jednego szpitala często straci precyzję, gdy jest wdrożony w innym szpitalu z różnym sprzętem i demografiami — problem, który badacze nazywają przesunięciem domenowego lub przesunięciem zestawów danych. Znaniebadanie z 2018 roku wykazało, że klasyfikator raka skóry pokazał niższą precyzję, gdy testowany był na obrazach wykonanych za pomocą innych kamery i oświetlenia niż jego zestaw treningowy.

Jest również problem etykietowania: model jest taki dobry jak prawda podstawowa, na której jest treningowy, a ekspertowi radiologowie zgadzają się ze sobą tylko częściowo w przypadkach niejasnych. AI naucza się białości i braków osób etykietujących dane treningowe, w tym niedostatecznej reprezentacji niektórych tonów skóry, grup wieku lub rzadszych stanów chorobowych, gdy te były rzadko występujące w zestawie treningowym.

Co podstawowe narzędzia AI nie znaczy w praktyce

Nadmiarowo rzadko narzędzia zastosowane w praktyce działają jako samodzielne diagnostyki zastępujące ocenę lekarza. Model regulacyjny i kliniczny polega na wsparciu decyzji: algorytm wydaje prawdopodobieństwo lub podświetla obszar zainteresowania, a lekarz kończy decyzję, zamawiając dalsze badania lub biopsię, gdy to jest potrzebne. Nawet IDx-DR, marketingowany jako samodzielny, ma ograniczoną skali do decyzji o odniesieniu do screeningu retinopatii diabetycznej, a nie do ogólnego przeprowadzenia diagnozy.

To ma znaczenie, ponieważ rzeczywista kliniczna wartość nie jest robotem lekarzem — to triage i obniżenie obciążenia. Model, który przedśladuje tysiące regularnych mammogramów i oznacza 10% przypadków jako priorytetowe do przeglądu ludzkiego, znacznie zredukowuje czas na przetworzenie i odnajduje przypadki, które zmęczony czytnik mógłby depriorytetyzować, bez kiedykolwiek podjęcia nie nadzorowanej decyzji diagnozticznego.

Bottleneck danych i regulacyjny

budowanie takiego systemu wymaga dużych ilości etykietowanych obrazów medycznych, które są drogie do produkcji (potrzebują ekspertowego zaznaczania), prawno ograniczone (prawa prywatności pacjenta ograniczają udostępnianie między instytucjami) i często niebalansowane (rzadkie choroby mają mało przykładów do nauki). To jedna z wielu przyczyn, dlaczego narzędzia AI diagnostyczne skupiają się na powszechnych, wysokonagłych warunkach takich jak retinopatia cukrzycowa,/screening nowotworów piersi i nudy pliczkowe zamiast rzadkich chorób.

Z perspektywy regulacyjnej, narzędzia przeznaczone do użycia diagnostycznego w USA przechodzą przez ocenę FDA (zazwyczaj ścieżka 510(k) dla narzędzi podobnych do istniejącego urządzenia lub De Novo dla nowych kategorii), co wymaga danych klinicznych potwierdzających, że narzędzie działa bezpiecznie w określonym, zdefiniowanym przypadku użycia. Dlatego etykieta zatwierdzonego narzędzia zawsze jest ograniczona — na przykład do wykrywania retinopatii cukrzycowej u dorosłych ze specyficznej rodziny kamery, a nie do ogólnego stwierdzenia "czyta plamy".

IDx-DR, zatwierdzony przez FDA w 2018 roku, był pierwszym systemem AI autoryzowanym do podawania decyzji screeningowych dla retinopatii cukrzycowej bez udziału specjalisty w ocenie obrazu.

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Medical Scan Classifier — How a CNN Reads an Image i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.